Cisco baru saja memberikan hampir 90.000 karyawannya masing-masing satu AI agent yang dipersonalisasi. Bukan satu asisten generik untuk semua orang, tapi agent yang dibangun mengikuti peran, konteks tim, dan aktivitas terbaru tiap karyawan, lalu dipakai untuk menyaring informasi relevan dan mengotomatisasi tugas rutin sesuai pekerjaan spesifik orang itu. Program ini, MyAgent, salah satu sinyal paling konkret dari arah baru adopsi AI enterprise sepanjang 2026.
Setelah dua tahun eksperimen chatbot dan tool berbasis satu prompt, fokus industri sekarang bergeser ke agent yang benar-benar beroperasi lintas sistem kerja, bukan sekadar jendela chat terpisah. Tapi pergeseran yang lebih menentukan sebenarnya bukan soal seberapa canggih atau seberapa luas agent itu bekerja. Sinyal paling jelas dari 2026 justru soal seberapa ketat batasan kerja tiap agent didefinisikan sebelum benar-benar dijalankan. Ini bukan detail teknis yang bisa diabaikan oleh pemimpin bisnis, anggaran otomatisasi yang dihabiskan untuk agent tanpa batasan jelas biasanya berakhir dua arah, proyek yang mangkrak karena hasilnya tidak bisa diverifikasi, atau insiden nyata yang merusak kepercayaan tim internal terhadap AI secara keseluruhan, jauh lebih mahal diperbaiki dibanding memperlambat sedikit di awal untuk mendefinisikan scope dengan benar.
Kenapa Agent untuk Segala Hal Justru Jadi Masalah
Sepanjang 2024 dan 2025, banyak perusahaan merespons tekanan adopsi AI dengan cara yang sama, menyebar sebanyak mungkin agent, masing-masing dirancang seluas mungkin cakupannya, dengan harapan makin banyak agent berarti makin banyak pekerjaan yang terotomatisasi. Pendekatan ini kedengarannya masuk akal di atas kertas, tapi di lapangan justru sering berbalik jadi beban baru. Beban itu jarang muncul di laporan biaya lisensi software, ia muncul lewat waktu tim IT dan compliance yang habis menjinakkan agent yang sudah kadung berjalan luas, lewat kepercayaan internal yang runtuh begitu satu agent yang terlalu leluasa membuat keputusan keliru di area yang sensitif, dan lewat proyek AI berikutnya yang jadi lebih sulit disetujui karena preseden yang buruk.
Riset lanskap AI agent terbaru untuk 2026 menyimpulkan arah yang sebaliknya. Perusahaan yang benar-benar mendapat hasil bukan yang mengejar jumlah agent sebanyak-banyaknya, melainkan yang memakai sedikit agent dengan batasan kerja yang ketat, titik review manusia yang jelas, dan bukti hasil yang bisa diukur, difokuskan ke tugas repetitif seperti riset, penyortiran inbox, triase dukungan pelanggan, persiapan materi penjualan, sampai draf kode. Agent yang scope-nya sempit justru lebih cepat terbukti bekerja, karena lebih mudah diverifikasi dan lebih mudah dipercaya begitu terbukti benar.
Tiga Sinyal Bahwa Pergeseran Ini Sudah Nyata, Bukan Sekadar Wacana
Ada tiga perkembangan konkret sepanjang September 2026 yang menunjukkan arah ini bukan cuma opini analis, tapi sudah tercermin di keputusan produk perusahaan-perusahaan teknologi besar.
Pertama, cara Cisco membangun MyAgent sendiri. Setiap agent dipersonalisasi ketat mengikuti peran, konteks tim, dan aktivitas terbaru satu karyawan, bukan satu model generalis yang dibagikan ke semua orang. Ini contoh nyata scoping yang dilakukan di skala hampir 90.000 pengguna sekaligus.
Kedua, ekonominya berubah cepat. Abacus.AI baru saja merilis model open-weight baru khusus untuk agent enterprise yang diklaim bisa memangkas biaya operasional sampai 100 kali lipat dibanding model sebelumnya. Ini artinya biaya sudah semakin jarang jadi alasan sah untuk menunda scoping yang benar, kalau anggaran bukan lagi hambatan utama, satu-satunya alasan tersisa untuk membiarkan agent berjalan tanpa batasan jelas adalah kelalaian desain.
Ketiga, agent kini makin sering dipasang langsung ke sistem kerja yang sudah ada, bukan dibangun terpisah sebagai silo baru. RavenDB meluncurkan Quill yang membiarkan agent terhubung ke sistem SQL enterprise tanpa migrasi data, dan Sanity menambahkan Agent Context ke platform kontennya supaya agent bisa membaca skema konten langsung. Integrasi sedalam ini justru membuat kejelasan scope jadi lebih penting, bukan kurang penting, karena agent sekarang punya akses lebih dekat ke sistem inti perusahaan, bukan cuma lapisan permukaan.
Ketiga sinyal ini saling memperkuat satu sama lain. Biaya yang lebih murah membuat lebih banyak perusahaan mampu men-deploy agent, integrasi yang lebih dalam membuat agent punya akses lebih besar ke sistem inti, dan personalisasi ala Cisco menunjukkan cara mengelola akses seluas itu tanpa kehilangan kendali. Kombinasi ketiganya membuat kejelasan scope bukan lagi praktik terbaik yang opsional, melainkan syarat dasar sebelum sebuah perusahaan benar-benar siap memperluas pemakaian AI agent-nya.
Tiga Lapis yang Menentukan Agent Ini Aman Diperluas atau Tidak
Dari pola yang berulang di seluruh sinyal di atas, ada tiga lapis yang sebaiknya benar dulu sebelum cakupan kerja sebuah AI agent diperluas, dikerjakan satu per satu, bukan sekaligus.
Lapis pertama adalah scope kerja yang sempit dan jelas. Setiap agent perlu definisi tegas soal peran apa yang dijalankannya, sistem apa yang boleh diaksesnya, dan data apa yang boleh dilihatnya, persis satu tugas, bukan apa saja yang mungkin berguna. Definisi yang terlalu longgar di titik ini biasanya jadi akar masalah di kemudian hari, karena tim yang membangun agent tergoda menambah kemampuan sedikit demi sedikit begitu agent sudah berjalan, sampai cakupannya melebar jauh dari rencana awal tanpa pernah benar-benar dievaluasi ulang.
Lapis kedua adalah titik verifikasi manusia di keputusan yang benar-benar berisiko. Ini bukan soal menghapus otonomi agent secara keseluruhan, tapi menaruh manusia tepat di titik keputusan yang dampaknya besar kalau salah, bukan di setiap langkah kecil yang justru memperlambat manfaat otomatisasinya. Titik verifikasi yang tepat biasanya ada di keputusan yang sulit dibatalkan, menyangkut uang dalam jumlah besar, atau berdampak langsung ke pelanggan, bukan di setiap notifikasi rutin yang sebenarnya aman diotomatisasi penuh.
Lapis ketiga adalah metrik keberhasilan dan bukti nyata sebelum cakupan diperluas. Baru setelah dua lapis di atas terbukti berjalan dengan hasil yang bisa diukur, cakupan kerja agent itu layak ditambah ke sistem atau keputusan yang lebih besar, bukan sebelumnya. Bukti ini tidak harus rumit, cukup data konkret seperti tingkat akurasi, jumlah kasus yang berhasil diselesaikan tanpa eskalasi, atau waktu yang benar-benar dihemat tim, asal diukur secara konsisten dan bisa diverifikasi pihak lain, bukan sekadar klaim dari tim yang membangun agent itu sendiri.
Checklist Sebelum Memperluas Cakupan AI Agent di Perusahaan Anda
Sebelum menambah jumlah agent atau memperluas cakupan kerja agent yang sudah berjalan, ada beberapa pertanyaan dasar yang layak dijawab jujur lebih dulu. Pertanyaan-pertanyaan ini sengaja sederhana, karena kegagalan scoping AI agent jarang berasal dari kompleksitas teknis, hampir selalu berasal dari asumsi dasar yang tidak pernah benar-benar diuji sebelum agent dijalankan.
Pertama, apakah agent ini punya satu tugas yang spesifik, atau justru dirancang untuk mengerjakan apa saja yang mungkin dibutuhkan nanti. Agent dengan tugas spesifik jauh lebih mudah dievaluasi keberhasilannya dibanding agent yang cakupannya terus berubah mengikuti kebutuhan yang muncul belakangan.
Kedua, apakah ada titik keputusan yang wajib direview manusia sebelum agent benar-benar bertindak, terutama untuk keputusan yang sulit dibatalkan.
Ketiga, apakah akses agent ke sistem dan data perusahaan sudah dibatasi hanya pada yang benar-benar dibutuhkan perannya, atau masih diberi akses lebih luas karena alasan kepraktisan. Akses yang berlebihan sering diberikan bukan karena kebutuhan nyata, tapi karena lebih cepat secara teknis dibanding membangun batasan akses yang presisi sejak awal.
Keempat, apakah ada metrik keberhasilan yang jelas dan terukur sebelum cakupan kerja agent ini ditambah ke area lain.
Kelima, dan sering paling jarang dijawab jujur, siapa yang bertanggung jawab kalau agent ini salah bertindak, karena kejelasan scope tidak ada artinya kalau akuntabilitasnya sendiri kabur.
Kami menerapkan prinsip yang sama sejak awal membangun Karyaiwan, ekosistem AI Employee kami sendiri. AI CS dan AI Ops sengaja dipisah sebagai dua peran dengan scope kerja masing-masing, bukan satu agent generalis yang mencoba menangani semua fungsi sekaligus, karena kejelasan batasan itulah yang membuat sebuah agent cukup bisa dipercaya untuk benar-benar diperluas cakupannya seiring waktu. Prinsip yang sama ini yang kami pegang di setiap sistem berbasis AI yang kami bangun, kejelasan scope dan titik verifikasi manusia bukan pengurangan kecerdasan sebuah sistem, justru itu yang membuatnya layak dipercaya.